IFD与KELM结合的滚动轴承故障诊断方法

作者：郭茂强; 黄云云^*; 赵强; 张经伟

来源：福州大学学报(自然科学版), 2020, 48(03): 341-347.

• 迭代滤波分解
• 滚动轴承
• 排列熵
• 核极限学习机
• 故障诊断

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.

• 单位
  福州大学